针对无差异性划分和数据稀疏的动态短时交通流预测系统的制作方法

技术特征：

1.一种针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，包括：

数据源获取模块，用于获取在不同时间点某路口的过车记录以及车辆信息；

路口相关性分析模块，根据获得数据源的交通流信息，得到预测路口在同一时间周期下的短时交通流时间序列短时交通流数据，采用层次聚类法，其主要思想是，先把每一个样本点看成一个聚类，然后不断重复的将其中最近的两个聚类合并，直到满足迭代终止条件，设置距离阈值，度量交通流相似性，加强预测路口内部相关性；

短时交通流张量预测模型构建模块，结合时间维度、空间维度、时间周期维度，根据不同的周期维度建立不同的张量模型，从多个角度挖掘交通流变化趋势，根据路口相关性分析得到的强相关性路口，构建基于“路口-X-时段”的短时交通流张量预测模型，将预测路口的短时交通流数据填充进张量模型，基于较强相似性的交通流数据的分析提高了张量模型的泛化能力；

预测和分析模块，预测和分析模块，利用构建的短时交通流预测张量模型对交通数据进行分析，通过引入滑动窗口，使构建的张量成为在时间序列上的动态张量流，利用张量分解的数据压缩和维度转换特性，通过对缺失值的逐次迭代，优化处理过程，结合交通流张量在时间上的动态特性，利用动态张量分解实现路口短时交通流的预测。

2.根据权利要求1所述的针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，所述数据源获取模块，用于获取在不同时间点某路口的过车记录以及车辆信息，具体包括：

S11：获取数据，各路口在不同时间点的过车数据，包括过车方向，过车车牌，路口名称与位置；

S12：预处理原始数据。对数据源重复数据、无效数据进行清洗。

3.根据权利要求1所述的针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，所述路口相关性分析模块分为路口短时交通流的获得和对交通流的相似性度量，具体包括：

S21：空间路口选定，根据路口的空间关联性，根据获得数据选定区域相关的m个路口；

S22：提取路口在时间周期下的短时车流量数据，选取高密度车流量时间段，利用层次聚类，设定距离阈值，对交通流数据进行相似性划分，实现对路口的相关性分析。

4.根据权利要求3所述的针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，所述S22选取高密度车流量时间段，利用层次聚类，设定距离阈值，对交通流数据进行相似性划分，具体包括：

S221：获取路口在时间周期上的短时车流量时间区域[t0,tn],其中t0表示路口车流量的起始时间，tn表示路口车流量的截止时间，然后在路口车流量的时间区域内进行短时段分片，根据交通流特点，对时间区域进行具体划分T＝{1,2,3,…,t,…n}，从获得的交通数据中，得到各个路口的交通流时间序列vi＝[xi1,xi2,xi3…xin]，其中xin表示第i个路口在第n个时间段内的车流量，构建交通流序列矩阵Vm×n＝[v1 v2...vm]^T；

S222：根据以上得到的交通流序列矩阵，以欧氏距离度量相似性，计算：

其中dij表示第i个时间序列和第j个时间序列之间的欧式距离，利用层次聚类，设定欧氏距离阈值p，得到交通流序列间欧式距离小于阈值且属于一类的交通流序列cluster(vi∈(Euclidean distance＜p))，p表示阈值。

5.根据权利要求3所述的针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，所述短时交通流张量预测模型的构建主要分为以下两个步骤。

S31：结合交通流数据的多维特性，引用张量分解在数据维度转换和数据压缩的特性，建立张量模型“路口-X-时段”来表征交通流数据，其中X为时间周期的表示，是可变的；

S32：根据确定的三个维度，获得相应维度下的交通流数据，该模型的初始填充值是路口在确定维度下的短时车流量，该三阶张量其中I1表示路口维度个体数量即路口数，I2表示可变参数X维度个体数量，I3表示时段维度个体数量。

6.根据权利要求5所述的针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，所述预测分析模块的处理过程具体包括以下步骤：

S41：将S32中构建好的张量A进行分解运算，首先将张量A展开成矩阵A(1),A(2),A(3)，然后分别对每一模式进行KernelSVD分解，得到当前时段相应的特征矩阵U⁽¹⁾,U⁽²⁾,U⁽³⁾，利用得到的特征矩阵计算核心张量，求得近似张量；

S42：将张量看成是时间上形成的动态张量流引入滑动窗口，根据滑动的时间，将相应的车流量数据填充进张量相应位置，预测时段车流量设为零，构成新的张量流张量各维度大小不变，填充进张量的数据随着时间滑动不断更新。重复S4的过程，直到t值为设置预测时间上限tmax，通过对动态张量流的分解，可实现短时车流量的动态预测。

7.根据权利要求6所述的针对无差异性划分和数据稀疏的动态短时交通流预测系统，其特征在于，所述S41的KernelSVD分解具体包括以下步骤：

S411：将张量的模式展开矩阵A(n)利用映射函数将A(n)映射到高维空间，即fxy表示映射矩阵Fn中对应的元素，Φ表示高斯核函数映射，axy表示A(n)中对应的元素，对每一个A(n)找到一个对应的映射矩阵Fn，把axy映射成Fn中的fxy，即fxy＝Φ(axy)，对于每个Fn矩阵应用SVD分解，即Fn＝U⁽ⁿ⁾Σ⁽ⁿ⁾V^T(n)，T(n)表示矩阵的转置，采用一种内积的形式，定义一个矩阵Wn且满足Wn是对称的方阵，对其进行特征值分解Wn＝QΣQ^-1，Q是左奇异矩阵U⁽ⁿ⁾，当可以得到右奇异矩阵V⁽ⁿ⁾和特征矩阵Σ⁽ⁿ⁾，这样就可以得到所需的特征矩阵；

S412：求得一个低秩的近似张量来表示张量A,计算得到的U⁽ⁿ⁾和公式：

A＝G×1U⁽¹⁾×2U⁽²⁾×3U⁽³⁾，

计算得到核心张量：

其中为的近似矩阵，ci的值取决于保留初始对角矩阵数据百分比；

S413：根据得到的近似矩阵和核心张量计算得到近似张量: